-
Technisches Gebiet
-
Die Erfindung betrifft allgemein die Charakterisierung von Systemzuständen von elektrischen Energiespeichern, wie in elektrisch betreibbaren Geräten, wie Kraftfahrzeuge, insbesondere Elektrofahrzeuge oder Hybridfahrzeuge, und weiterhin Maßnahmen zur Bestimmung eines Zustands eines elektrischen Energiespeichers, wie z. B. einer Gerätebatterie oder eines Brennstoffzellensystems.
-
Technischer Hintergrund
-
Zur nicht netzgebundenen Energieversorgung von technischen Geräten werden in der Regel elektrische Energiespeicher, wie Batterien, verwendet. Energiespeicher im Sinne der nachfolgenden Beschreibung umfassen auch Energiewandler, wie z.B. Brennstoffzellen-Systeme. Beispielsweise erfolgt die Energieversorgung von elektrisch antreibbaren Kraftfahrzeugen mithilfe z. B. einer Fahrzeugbatterie oder eines Brennstoffzellen-Systems. Dieser liefert elektrische Energie zum Betrieb von Fahrzeugsystemen und insbesondere des Antriebssystems. Der Alterungszustand des elektrischen Energiespeichers verschlechtert sich im Laufe seiner Lebensdauer zusehends, was sich in einer abnehmenden maximalen Speicherkapazität auswirkt. Ein Maß der Alterung der Gerätebatterie hängt von einer individuellen Belastung der Gerätebatterie, d. h. vom Nutzungsverhalten eines Benutzers und vom Gerätebatterietyp ab.
-
Zwar kann mithilfe eines rein physikalischen Alterungsmodells der momentane Alterungszustand basierend auf historischen Betriebsgrößenverläufen bestimmt werden, jedoch ist dieses Modell häufig ungenau. Diese Ungenauigkeit des herkömmlichen Alterungsmodells erschwert eine Prädiktion des Alterungszustandsverlaufs. Jedoch ist die Prädiktion des Verlaufs des Alterungszustands der Fahrzeugbatterie eine wichtige technische Größe, da mit ihr eine wirtschaftliche Bewertung eines Restwerts der Fahrzeugbatterie möglich ist.
-
Auch andere Zustände einer Fahrzeugbatterie, wie beispielsweise ein Ladezustand, sind mit herkömmlichen physikalischen Modellen in der Regel nicht hochgenau bestimmbar.
-
Sowohl physikalische als auch datenbasierte oder hybride Zustandsmodelle benötigen genau erfasste Zustands-Label für Trainingsdaten, da sie die Basis der Modell-Parametrisierungen darstellen. Eine kontinuierliche Label-Erzeugung nach seiner Nutzungsaufnahme in der Anwendung ermöglicht eine stetige Verbesserung der Parametrierung des Zustandsmodells, um die zu charakterisierende Zustandsgröße zu bestimmen und zu prädizieren.
-
Offenbarung der Erfindung
-
Erfindungsgemäß sind ein Verfahren zum Bereitstellen von Trainingsdaten zum Trainieren eines Zustandsmodells zum Modellieren eines Zustands eines elektrischen Energiespeichers gemäß Anspruch 1 sowie eine entsprechende Vorrichtung gemäß dem nebengeordneten Anspruch vorgesehen.
-
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
-
Gemäß einem ersten Aspekt ist ein computerimplementiertes Verfahren zum Trainieren eines Zustandsmodells zum Ermitteln eines Zustands eines elektrischen Energiespeichers eines damit betriebenen Geräts vorgesehen, mit folgenden Schritten:
- - Bereitstellen eines datenbasieren Zustandsmodells, das einem Betriebsmerkmalspunkt eine modellierte Zustandsgröße, insbesondere einen Alterungszustand des Energiespeichers, und ein Zustands-Unsicherheitsmaß zuordnet;
- - Bereitstellen einer Datenbank mit Verläufen von realen Betriebsmerkmalspunkten von einer Vielzahl von Energiespeichern für aufeinanderfolgende Auswertungszeiträume;
- - Trainieren oder Aktualisieren des Zustandsmodells abhängig von mindestens einem Trainingsdatensatz,
wobei der mindestens eine Trainingsdatensatz mit folgenden Schritten generiert wird: - ◯ Ermitteln eines Verbesserungsmaßes für jeden der für den aktuellen Auswertungszeitraum ermittelten aktuellen Betriebsmerkmalspunkt der Energiespeicher, wobei das Verbesserungsmaß angibt, wie sich Zustands-Unsicherheiten an allen realen Betriebsmerkmalspunkten verbessern, wenn eine Zustandsgröße für den jeweiligen aktuellen Betriebsmerkmalspunkt bestimmt wird;
- ◯ Auswählen mindestens eines Betriebsmerkmalspunkts mit dem besten Verbesserungsmaß;
- ◯ Ermitteln einer entsprechenden Zustandsgröße an dem mindestens einen ausgewählten Betriebsmerkmalspunkt als Label;
- ◯ Generieren des mindestens einen Trainingsdatensatzes aus dem mindestens einen ausgewählten Betriebsmerkmalspunkt und der ermittelten entsprechenden Zustandsgröße.
-
Weiterhin kann das Verbesserungsmaß für jeden der aktuellen Betriebsmerkmalspunkte durch eine Simulation approximativ bestimmt werden, indem das bereitgestellte Zustandsmodell mit einem Simulations-Trainingsdatensatz, der für den jeweiligen aktuellen Betriebsmerkmalspunkt erstellt wird, aktualisiert wird, um ein Simulations-Zustandsmodell zu erhalten, wobei Simulations-Zustands-Unsicherheiten für jeden der Betriebsmerkmalspunkte der Verläufe von Betriebsmerkmalspunkten von realen Energiespeichern mithilfe des Simulations-Zustandsmodells bestimmt werden, wobei das Verbesserungsmaß abhängig von den Simulations-Zustands-Unsicherheiten bestimmt wird.
-
Insbesondere kann das Verbesserungsmaß als eine Summe der Simulations-Zustands-Unsicherheiten bestimmt werden, wobei insbesondere mindestens eine der Simulations-Zustands-Unsicherheiten mithilfe mindestens einer vorgegebenen, auf Domänenwissen basierenden Regel vor der Ermittlung des Verbesserungsmaßes verringert wird.
-
Weiterhin kann das Zustandsmodell einem Alterungszustandsmodell zum Bereitstellen eines Alterungszustands abhängig von den Betriebsmerkmalen oder einem Ladezustandsmodell zum Bereitstellen eines Ladezustands abhängig von den Betriebsmerkmalen des Energiespeichers entsprechen.
-
Es kann vorgesehen sein, dass das datenbasierte Zustandsmodell ein datenbasiertes Machine-Learning-Modell umfasst, das ausgebildet ist, um für eine modellierte Zustandsgröße eine Zustands-Unsicherheit anzugeben, wobei das Zustandsmodell, insbesondere ein Gaußprozessmodell als ein Supervised Learning-Modell mit quantifizierter Unsicherheitsberechnung umfasst. Alternativ kann das Supervised Learning Modell insbesondere als Ensembler-Methode oder als ein Bayes'sches neuronales Netz ausgeführt sein.
-
Die Betriebsmerkmale können aus Zeitreihen von kontinuierlich erfassten Betriebsgrößen abgeleitet werden, wobei die Betriebsmerkmale für aufeinanderfolgende Auswertungszeiträume bestimmt werden, wobei mehrere Betriebsmerkmale für einen bestimmten Auswertungszeitraum eines bestimmten Energiespeichers einen Betriebsmerkmalspunkt definieren.
-
Für elektrische Energiespeicher in übergeordneten technischen Geräten wie Kraftfahrzeuge ist die Ermittlung von Zuständen erforderlich, um das übergeordnete System in verbesserter oder optimaler Weise betreiben zu können. Diese werden als Zustandsgröße angegeben. So sind beispielsweise die Ermittlung eines Alterungszustands des elektrischen Energiespeichers sowie eines Ladezustands einer wiederaufladbaren Batterie wichtige Zustandsgrößen, die für den Betrieb der damit betriebenen technischen Geräte, wie beispielsweise einem elektrisch betriebenen Kraftfahrzeug, essenziell sind.
-
Solche Zustandsgrößen sind mithilfe von physikalisch basierten Modellen in der Regel nicht hochgenau modellierbar. Weiterhin ist in diesem Fall die Ungenauigkeit der Berechnung der Zustandsgrößen kaum oder nur schwer online quantifizierbar. Daher kommt zur Modellierung dieser Zustandsgrößen zusehends der Einsatz von datenbasierten oder hybriden Zustandsmodellen in Betracht. Insbesondere wenn eine hohe Anzahl von Trainingsdaten zur Verfügung steht, können derartige Zustandsmodelle eine sehr genaue Zustandsberechnung oder Zustandsvorhersage ermöglichen.
-
Das Training derartiger datenbasierter Zustandsmodelle erfordert für Supervised-Learning-Techniken hochgenaue Trainingsdaten, die üblicherweise vorab gemessen oder bewertet sein müssen. Der Prozess des Zusammenstellens von Trainingsdaten wird allgemein als Label-Erzeugung bezeichnet.
-
Nach dem Training können datenbasierte Zustandsmodelle in damit betriebenen Geräten vorab durch Übertragen von entsprechenden Modellparametern implementiert werden. Auch ist es möglich, dass Geräte, die eine regelmäßige Verbindung zu einer Zentraleinheit (Cloud) haben, die Modellergebnisse wie die Zustandsgrößen oder aktualisierte Modellparameter des datenbasierten Zustandsmodells regelmäßig von der Zentraleinheit empfangen. Insbesondere wenn in der Zentraleinheit Betriebsgrößen, die in einer Vielzahl von mit gleichen elektrischen Energiespeichern versehenen Geräten gemessen worden sind, ausgewertet werden, können das datenbasierte Zustandsmodell in der Zentraleinheit kontinuierlich nachtrainiert bzw. aktualisiert und die entsprechenden Modellparameter des aktualisierten oder neutrainierten Zustandsmodells an die gleichartigen Geräte zurückübermittelt werden, um dort eine Zustandsvorhersage zu verbessern. Vorzugsweise erfolgt die Zustandsberechnung bzw. Zustandsvorhersage in der Zentraleinheit (Cloud) und die Ergebnisse werden als Zustände den Geräten bereitgestellt.
-
Zum Bereitstellen von Trainingsdaten für das Trainieren des datenbasierten Zustandsmodells kann aus den erhaltenen Betriebsgrößen in aufwendiger Weise, üblicherweise mittels zeitaufwendigen Diagnosemessungen, für eines der Geräte eine Zustandsgröße abgeleitet werden, die als Label insbesondere in der Zentraleinheit ermittelt wird, um dort einen Trainingsdatensatz, basierend auf Betriebsgrößen bzw. daraus abgeleiteten Betriebsmerkmalen und zugeordneter Zustandsgröße (Label), bereitzustellen. So können beispielsweise zum Ermitteln eines Alterungszustandsmodells in einer Zentraleinheit Betriebsgrößen für den Betrieb einer Fahrzeugbatterie eines elektrisch antreibbaren Kraftfahrzeugs kontinuierlich an die Zentraleinheit übermittelt und dort durch Auswertung von bestimmten Betriebsverläufen, z. B. ausgelöst durch Diagnose-Messungen, wie beispielsweise einem vollständigen Ladezyklus unter definierten Last- und Umgebungsbedingungen, eine Alterungszustandsangabe abgeleitet werden, so dass dort ein Trainingsdatensatz zur Verfügung gestellt wird.
-
In einer Anfangsphase des Betriebs eines technischen Systems mit einer Zentraleinheit und einer Vielzahl von gleichartigen, mit der Zentraleinheit in Kommunikationsverbindung stehenden Geräten basierend auf einem datenbasierten Zustandsmodell zur Schätzung einer Zustandsgröße ist häufig bei Betriebsbeginn das datenbasierte Zustandsmodell noch nicht in allen Bereichen eines Eingangsdatenraums mit ausreichender Genauigkeit trainiert. Um die Leistungsfähigkeit des datenbasierten Zustandsmodells während dessen Einsatzes kontinuierlich zu verbessern, kann eine regelmäßige Aktualisierung des datenbasierten Zustandsmodells in der Zentraleinheit basierend auf Trainingsdatensätzen vorgenommen werden, die mit den von den Geräten erfassten Betriebsgrößen ermittelt werden können. Nicht für alle Bereiche des Eingangsgrößenraums, der durch die Betriebsgrößenpunkte bzw. Betriebsmerkmalspunkte definiert ist, können in einfacher Weise entsprechende Zugangsgrößen durch Vermessung von realen Geräten ermittelt werden, sodass das datenbasierte Zustandsmodell in diesen Bereichen sehr ungenau bleibt und gegebenenfalls nicht verwendet werden kann.
-
Das obige Verfahren sieht nun vor, das datenbasierte Zustandsmodell insbesondere mithilfe einer Simulation prädiktiv so auszuwerten, um mindestens einen Betriebsmerkmalspunkt zu identifizieren. Der identifizierte Betriebsmerkmalspunkt kann die Grundlage für die Ermittlung eines Trainingsdatensatzes sein, mit dem das Zustandsmodell in optimierter Weise aktualisiert werden kann, um die Zustands-Unsicherheiten an den realen Betriebsmerkmalspunkten zu verbessern. Dazu können Flottendaten genutzt werden, die die modellierten Zustandsgrößenverläufe über jeweilige aus Betriebsgrößen abgeleiteten Verläufen von realen Betriebsmerkmalspunkten angeben. Dies erfolgt vorzugsweise mithilfe der Simulation, bei welcher ein Simulations-Trainingsdatensatz angenommen wird, der an einem aktuellen Betriebsmerkmalspunkt einen möglichen Zustand annimmt und eine gesamte Verbesserung der Zuverlässigkeit /Konfidenz der Zustandsvorhersagen ermittelt. Derjenige Betriebsmerkmalspunkt, an dem die bestmögliche Reduzierung der gesamten Unsicherheit erreicht wird, entspricht dem identifizierten Betriebsmerkmalspunkt. Dieser stellt den Ausgangspunkt einer Generierung eines neuen Trainingsdatensatzes dar.
-
Die Ermittlung des Betriebsmerkmalspunkts für den zu generierenden Trainingsdatensatz erfolgt also mithilfe eines Verbesserungsmaßes, das man durch Simulationen für jeden Energiespeicher bzw. für jeden der für den aktuellen Auswertungszeitraum ermittelten aktuellen Betriebsmerkmalspunkte der Energiespeicher erhält. Das Verbesserungsmaß gibt an, wie sich die Zustands-Unsicherheiten an allen realen Betriebsmerkmalspunkten der Datenbank verbessern, wenn ein Simulations-Trainingsdatensatz mit einer Zustandsgröße für den jeweiligen aktuellen Betriebsmerkmalspunkt bestimmt und das Zustandsmodell entsprechend aktualisiert wird. Das Verbesserungsmaß wird durch die Simulationen approximativ ermittelt, bei denen jeweils (nur für die Simulation) das Zustandsmodell auf Basis verfügbarer Informationen zu Trainingsdaten bzgl. des Mehrwertes zur Flottenrelevanz und einhergehender globaler Modellunsicherheitsreduktion bewertet wird, um ein Alterungszustandsmodell neu zu trainieren.
-
Das Simulations-Zustandsmodell kann nun jeweils verwendet werden, um das Verbesserungsmaß als eine Summe der Simulations-Zustands-Unsicherheiten zu bestimmen. Dabei können die einzelnen Simulations-Zustands-Unsicherheiten gemäß auf Domänenwissen basierenden Regeln reduziert werden und die entsprechen reduzierten Simulations-Zustands-Unsicherheiten für die Ermittlung des Verbesserungsmaßes berücksichtigt werden.
-
Da für die Vielzahl von Energiespeichern die aktuellen Betriebsmerkmalspunkte bekannt sind, kann eine solche Bewertung anhand einer Reduzierung der Gesamtmodellunsicherheit für die Gesamtheit der Verläufe der realen Betriebsmerkmalspunkte der Energiespeicher vorgenommen werden. Diese Reduzierung kann entsprechend dem obigen Verfahren anhand eines jeweiligen Verbesserungsmaßes für jeden der aktuellen Betriebsmerkmalspunkte quantifiziert werden, wobei das Verbesserungsmaß angibt, wie sich die Zustands-Unsicherheiten an allen realen Betriebsmerkmalspunkten, d. h. für die Gesamtheit der im Realbetrieb aufgetretenen Betriebsmerkmalspunkte verbessern, wenn eine Zustandsgröße für den jeweiligen aktuellen Betriebsmerkmalspunkt durch Label-Generierung bestimmt wird. Dabei wird vorzugsweise die unsichere, modellierte Zustandsgröße des Zustandsmodells als Label-Zustandsgröße angenommen.
-
Dies ermöglicht eine gezielte Label-Generierung basierend auf denjenigem der Energiespeicher (bezüglich dessen aktuellen Betriebsmerkmalspunkt), für das das bestimmte Verbesserungsmaß eine höchstmögliche Reduzierung der Gesamtmodellunsicherheit der Flotte angibt, was folglich die Label-Relevanz quantifiziert.
-
So kann ein Verfahren zur statistischen Label-Generierung verwendet werden, wobei das Ermitteln der entsprechenden Zustandsgröße durchgeführt wird, insbesondere in Verbindung mit auf Domänenwissen basierenden Regeln zur Verringerung von Zustands-Unsicherheiten.
-
Insbesondere bestehen für Zustandsgrößen systembedingt Abhängigkeiten bezüglich deren zeitlicher Verläufe, die bekannt sind und als Domänenwissen zur Verfügung stehen bzw. nutzbar sind. Dies ermöglicht, sich aus der Modellierung mit dem Zustandsmodell ergebende große Konfidenzintervalle bzw. hohe Zustands-Unsicherheiten von Zustandsgrößenvorhersagen (modellierten Zustandsgrößen) zu reduzieren, indem physikalisch unmögliche Wertebereiche der betreffenden Zustandsgröße durch Setzen z. B. der oberen und unteren Grenze des Konfidenzintervalls ausgeschlossen werden.
-
Weiterhin kann das Verringern der Zustands-Unsicherheiten an den ausgewählten Betriebsmerkmalspunkten durch mindestens eine Regel erfolgen, wobei die Regel von einer zeitlichen Entwicklung der Betriebsmerkmalspunkte und Zustands-Unsicherheiten von Betriebsmerkmalspunkten zu anderen Auswertungszeiträumen als den Auswertungszeiträumen der ausgewählten Betriebsmerkmalspunkte abhängt.
-
Insbesondere kann das Verringern der Zustands-Unsicherheiten an den ausgewählten Betriebsmerkmalspunkten dadurch erfolgen, dass die Zustands-Unsicherheit an jedem der ausgewählten Betriebsmerkmalspunkte auf eine obere bzw. untere Grenze eines Konfidenzintervalls begrenzt wird, die durch die Zustands-Unsicherheit zu einem dem betreffenden Betriebsmerkmalspunkt vorhergehenden Auswertungszeitraums bestimmt ist, und/oder dass die Zustands-Unsicherheit an jedem der ausgewählten Betriebsmerkmalspunkte auf eine untere bzw. obere Grenze eines Konfidenzintervalls begrenzt wird, die durch die Zustands-Unsicherheit zu einem dem betreffenden Betriebsmerkmalspunkt nachfolgenden Auswertungszeitraum bestimmt ist. Dies kann auf Domänenwissen zurückgeführt werden, dass eine langsam zeitvariante Zustandsgröße wie der Alterungszustand eines Energiespeichers sich nur träge ändert.
-
Alternativ oder zusätzlich kann das Verringern der Zustands-Unsicherheiten an den ausgewählten Betriebsmerkmalspunkten dadurch erfolgen, dass die Zustands-Unsicherheit an jedem der ausgewählten Betriebsmerkmalspunkte mit einer oberen und einer unteren Grenze eines entsprechenden Konfidenzintervalls begrenzt wird, die sich durch Interpolation von oberen Grenzen von Konfidenzintervallen von zu dem betreffenden Betriebsmerkmalspunkt vorhergehenden und nachfolgenden Auswertungszeiträumen bestimmt ist.
-
Alternativ kann das Ermitteln der entsprechenden Zustandsgröße durchgeführt werden, indem das dem mindestens einen ausgewählten Betriebsmerkmalspunkt zugeordnete technische System aufgefordert wird, eine Vermessung der Zustandsgröße durchzuführen, wobei nach der Vermessung die gemessene Zustandsgröße als zu vermessende Label-Zielgröße verwendet wird, um den Trainingsdatensatz zur Aktualisierung des Zustandsmodells zu erstellen.
-
In dem obigen Verfahren wird ein datenbasiertes Zustandsmodell, welches auch als hybrides Zustandsmodell ausgeführt sein kann, für eine Vielzahl von gleichartigen technischen Geräten in einer Zentraleinheit zur Verfügung gestellt. Das datenbasierte Zustandsmodell wird dabei aktualisiert und verbessert, indem durch Auswertung von verfügbaren Trainingsdatensätzen und Auswertung des datenbasierten Zustandsmodells im Realbetrieb der Vielzahl der technischen Geräte weitere Trainingsdatensätze erstellt werden, die zum Nachtrainieren oder Aktualisieren des datenbasierten Zustandsmodells geeignet sind. Dadurch kann ein anfänglich bereitgestelltes datenbasiertes Zustandsmodell in Bereichen des Eingangsgrößenraums nachtrainiert werden, in denen eine hohe Zustands-Unsicherheit vorliegt.
-
Es kann vorgesehen sein, dass die Betriebsgrößen von einer Vielzahl technischer Systeme an eine Zentraleinheit übertragen werden, wobei eine Datenbank mit Betriebsmerkmalspunkten von realen Energiespeichern der Vielzahl technischer Systeme bereitgestellt wird, wobei das Verfahren in der Zentraleinheit ausgeführt wird, wobei das Auswählen der Betriebsmerkmalspunkte aus der Datenbank erfolgt.
-
Gemäß einem weiteren Aspekt ist eine Vorrichtung, insbesondere eine Steuereinheit in einer Zentraleinheit, die mit einer Vielzahl von Geräten mit Energiespeichern in Kommunikationsverbindung steht, zum Trainieren eines Zustandsmodells zum Ermitteln eines Zustands eines elektrischen Energiespeichers vorgesehen, wobei die Vorrichtung ausgebildet ist zum:
- - Bereitstellen eines datenbasieren Zustandsmodells, das einem Betriebsmerkmalspunkt eine modellierte Zustandsgröße, insbesondere einen Alterungszustand des Energiespeichers, zuordnet;
- - Bereitstellen einer Datenbank mit Verläufen von realen Betriebsmerkmalspunkten von einer Vielzahl von Energiespeichern für aufeinanderfolgende Auswertungszeiträume;
- - Trainieren oder Aktualisieren des Zustandsmodells abhängig von mindestens einem Trainingsdatensatz,
wobei der mindestens eine Trainingsdatensatz mit folgenden Schritten generiert wird: - ◯ Ermitteln eines Verbesserungsmaßes für jeden der für den aktuellen Auswertungszeitraum ermittelten aktuellen Betriebsmerkmalspunkt der Energiespeicher, wobei das Verbesserungsmaß angibt, wie sich Zustands-Unsicherheiten an allen realen Betriebsmerkmalspunkten verbessern, wenn eine Zustandsgröße für den jeweiligen aktuellen Betriebsmerkmalspunkt bestimmt wird;
- ◯ Auswählen mindestens eines Betriebsmerkmalspunkts mit dem besten Verbesserungsmaß;
- o Ermitteln einer entsprechenden Zustandsgröße an dem mindestens einen ausgewählten Betriebsmerkmalspunkt als Label;
- ◯ Generieren des mindestens einen Trainingsdatensatzes aus dem mindestens einen ausgewählten Betriebsmerkmalspunkt und der ermittelten entsprechenden Zustandsgröße.
-
Figurenliste
-
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
- 1 eine schematische Darstellung eines Systems für eine Fahrzeugflotte mit einer Vielzahl von Kraftfahrzeugen und einer Zentraleinheit zum Bereitstellen eines datenbasierten Zustandsmodells;
- 2 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zum Trainieren bzw. Aktualisieren eines datenbasierten Zustandsmodells, insbesondere in Form eines Alterungszustandsmodells für eine Fahrzeugbatterie der Kraftfahrzeuge;
- 3 eine Veranschaulichung der Reduzierung des Gesamtmaßes für alle ermittelten Zustands-Unsicherheiten an den Betriebsmerkmalspunkten durch Label-Generierung an einem Betriebsmerkmalspunkt.
-
Beschreibung von Ausführungsformen
-
Im Folgenden wird das erfindungsgemäße Verfahren anhand von Fahrzeugbatterien als elektrische Energiespeicher in einer Vielzahl von Kraftfahrzeugen als gleichartige Geräte beschrieben. In den Kraftfahrzeugen kann in einer Steuereinheit ein datenbasiertes Alterungszustandsmodell für die jeweilige Fahrzeugbatterie implementiert sein. Das Alterungszustandsmodell steht beispielhaft für ein Zustandsmodell, das einen nicht unmittelbar messbaren internen Zustand des Energiespeichers charakterisiert. Das Alterungszustandsmodell kann in einer Zentraleinheit kontinuierlich basierend auf Betriebsgrößen der Fahrzeugbatterien aus der Fahrzeugflotte aktualisiert bzw. nachtrainiert werden.
-
Das obige Beispiel steht stellvertretend für eine Vielzahl von stationären oder mobilen Geräten mit netzunabhängiger Energieversorgung, wie beispielsweise Fahrzeuge, Anlagen, loT-Geräte, Energieversorgungsanlagen, autonome Roboter und dergleichen, die über eine entsprechende Kommunikationsverbindung (z. B. LAN, Internet) mit einer Zentraleinheit (Cloud) in Verbindung stehen. Die Zustandsgrößen stellen dabei Größen dar, die nicht in einfacher Weise hochgenau und gleichzeitig modellbasiert in den gleichartigen Geräten ermittelt werden können, sondern lediglich durch aufwendige Berechnungen, interne, insbesondere zerstörende Messungen oder nach vordefinierten Betriebszyklen des Geräts bestimmt werden können.
-
1 zeigt ein System 1 zum Bereitstellen von Flottendaten von Kraftfahrzeugen 4 einer Fahrzeugflotte 3 in einer Zentraleinheit 2. In der Zentraleinheit 2 soll basierend auf den Flottendaten eine Prädiktion eines Verlaufs eines Alterungszustands einer Fahrzeugbatterie eines jeweiligen Kraftfahrzeugs 4 der Fahrzeugflotte 3 vorgenommen werden.
-
Eines der Kraftfahrzeuge 4 ist in 1 detaillierter dargestellt. Die Kraftfahrzeuge 4 weisen jeweils eine Fahrzeugbatterie 41 als wiederaufladbaren elektrischen Energiespeicher, einen elektrischen Antriebsmotor 42 und eine Steuereinheit 43 auf. Die Steuereinheit 43 ist mit einem Kommunikationsmodul 44 verbunden, das geeignet ist, Daten zwischen dem jeweiligen Kraftfahrzeug 4 und einer Zentraleinheit (Cloud) zu übertragen. Die Steuereinheit 43 ist mit einer Sensoreinheit 45 verbunden, die einen oder mehrere Sensoren aufweist, um Betriebsgrößen kontinuierlich zu erfassen.
-
Die Zentraleinheit 2 weist eine Datenverarbeitungseinheit 21, in der das nachfolgend beschriebene Verfahren ausgeführt werden kann, und eine Datenbank 22 zum Speichern von Betriebsgrößen und Alterungszuständen von Fahrzeugbatterien, die in einer Vielzahl von Fahrzeugen 4 der Fahrzeugflotte 3 ermittelt worden sind, auf.
-
Die Kraftfahrzeuge 4 senden an die Zentraleinheit 2 die Betriebsgrößen F, die zumindest Größen angeben, von denen der Alterungszustand der Fahrzeugbatterie abhängt. Die Betriebsgrößen F können im Falle einer Fahrzeugbatterie einen momentanen Batteriestrom, eine momentane Batteriespannung, eine momentane Batterietemperatur und einen momentanen Ladezustand (SOC: State of Charge) angeben. Die Betriebsgrößen F werden in einem schnellen Zeitraster zwischen 2 Hz und 100 Hz erfasst, wobei deren Verläufe in unkomprimierter und/oder komprimierter Form regelmäßig an die Zentraleinheit 2 übertragen werden.
-
Aus den Betriebsgrößen F können in der Zentraleinheit 2 oder in anderen Ausführungsformen auch bereits in den jeweiligen Kraftfahrzeugen 4 Betriebsmerkmale generiert werden, die sich auf einen Auswertungszeitraum beziehen. Der Auswertungszeitraum kann für die Bestimmung des Alterungszustands wenige Stunden (z. B. 6 Stunden) bis mehrere Wochen (z. B. einen Monat) betragen. Ein üblicher Wert für den Auswertungszeitraum beträgt eine Woche.
-
Die Betriebsmerkmale können beispielsweise auf den Auswertungszeitraum bezogene Merkmale und/oder akkumulierte Merkmale und/oder über die gesamte bisherige Lebensdauer ermittelte statistische Größen umfassen. Insbesondere können die Betriebsmerkmale beispielsweise umfassen: Histogrammdaten über dem Ladezustandsverlauf, der Temperatur, der Batteriespannung, des Batteriestroms, insbesondere Histogrammdaten bezüglich der Batterietemperaturverteilung über dem Ladezustand, der Ladestromverteilung über der Temperatur und/oder der Entladestromverteilung über der Temperatur, akkumulierte Gesamtladung (Ah), eine durchschnittliche Kapazitätszunahme bei einem Ladevorgang (insbesondere für Ladevorgänge, bei denen die Ladungszunahme über einem Schwellenanteil (z. B. 20 %) der gesamten Batteriekapazität liegt), ein Maximum der differentiellen Kapazität (dQ/dU: Ladungsänderung dividiert durch Änderung der Batteriespannung) und weitere.
-
Aus den Betriebsmerkmalen lassen sich weitere Angaben entnehmen: ein zeitliches Belastungsmuster wie Lade- und Fahrzyklen, bestimmt durch Nutzungsmuster (wie bspw. Schnellladen bei hohen Stromstärken oder starke Beschleunigung bzw. Bremsvorgänge mit Rekuperation), eine Nutzungszeit der Fahrzeugbatterie, eine über die Laufzeit kumulierte Ladung und eine über die Laufzeit kumulierte Entladung, einen maximalen Ladestrom, einen maximalen Entladestrom, eine Ladehäufigkeit, einen durchschnittlichen Ladestrom, einen durchschnittlichen Entladestrom, einen Leistungsdurchsatz beim Laden und Entladen, eine (insbesondere durchschnittliche) Ladetemperatur, eine (insbesondere durchschnittliche) Spreizung des Ladezustands und dergleichen.
-
Der Alterungszustand (SOH: State of Health) ist die Schlüsselgröße zur Angabe einer verbleibenden Batteriekapazität oder verbleibenden Batterieladung. Der Alterungszustand stellt ein Maß für die Alterung der Fahrzeugbatterie oder eines Batterie-Moduls oder einer Batterie-Zelle dar und kann als Kapazitätserhaltungsrate (Capacity Retention Rate, SOH-C) oder als Anstieg des Innenwiderstands (SOH-R) angegeben werden. Die Kapazitätserhaltungsrate SOH-C ist als Verhältnis der gemessenen momentanen Kapazität zu einer Anfangskapazität der vollständig aufgeladenen Batterie angegeben. Die relative Änderung des Innenwiderstands SOH-R steigt mit zunehmender Alterung der Batterie an.
-
In 2 wird anhand eines Flussdiagramms das Verfahren zum Trainieren bzw. Aktualisieren des datenbasierten Alterungszustandsmodells näher beschrieben. Das Verfahren wird in der Datenverarbeitungseinheit 21 der Zentraleinheit ausgeführt und kann dort als Software und/oder Hardware implementiert sein.
-
In Schritt S1 wird ein datenbasiertes Alterungszustandsmodell bereitgestellt, das vortrainiert ist, um abhängig von Betriebsmerkmalspunkten einen modellierten Alterungszustand und eine Modellierungs-Ungenauigkeit auszugeben. Weiterhin ist eine Datenbank bereitgestellt, die zu elektrischen Energiespeichern der Fahrzeuge der Fahrzeugflotte Zeitreihen von Betriebsmerkmalspunkten für jeden Auswertungszeitraum für eine bestimmte Fahrzeugbatterie bereitstellt.
-
In Schritt S2 werden kontinuierlich Betriebsgrößen F von den Fahrzeugen 4 der Fahrzeugflotte 3 empfangen. Die Betriebsgrößen F können Verläufe des aktuellen Batteriestroms, der aktuellen Batteriespannung, der aktuellen Batterietemperatur, des aktuellen Ladezustands und dergleichen umfassen.
-
In Schritt S3 werden aus den Verläufen der Betriebsgrößen F Betriebsmerkmale für aufeinanderfolgende Auswertungszeiträume bestimmt. Diese Auswertungszeiträume können im Falle einer Bestimmung des Alterungszustands für die Fahrzeugbatterie einen Tag bis einen Monat, vorzugsweise eine Woche, betragen. In der Regel wird zur modellbasierten Bestimmung des Alterungszustands einer bestimmten Fahrzeugbatterie ein Betriebsmerkmalspunkt, der durch die einzelnen Betriebsmerkmale für eine bestimmte Fahrzeugbatterie innerhalb eines Auswertungszeitraums bestimmt ist, einem Alterungszustand mithilfe des datenbasierten Alterungszustandsmodells zugeordnet. Dieses datenbasierte Modell kann auch als hybrides Modell ausgeführt sein, insbesondere einer Kombination aus physikalischen und datengetriebenen Modellen, vorzugsweise mit Supervised Learning Anteil.
-
In Schritt S4 wird nun anhand aller aktuellen Betriebsmerkmalspunkte für die Fahrzeugbatterien 41, d. h. aller Fahrzeugbatterien 41, bezüglich deren aktuellen Betriebszustand, jeweils ein Verbesserungsmaß bestimmt. Das Verbesserungsmaß gibt an, wie sich die Zustands-Unsicherheiten an allen realen Betriebsmerkmalspunkten verbessern würden, wenn eine Zustandsgröße für den jeweiligen aktuellen Betriebsmerkmalspunkt angenommen wird Somit kann diejenige Fahrzeugbatterie bestimmt werden, bei der sich ein Verbesserungsmaß für den zugeordneten aktuellen Betriebsmerkmalspunkt ergibt.
-
Die Verbesserungsmaße werden jeweils mit einem Simulations-Zustandsmodell ermittelt, das ausgehend von dem Zustandsmodell durch Nachtrainieren mit einem Simulations-Trainingsdatensatz erstellt wird. Der Simulations-Trainingsdatensatz nimmt einen Trainingsdatenpunkt an dem aktuellen Betriebspunkt an, dem ein Zustands-Label zugeordnet ist, das beispielsweise dem Modellwert des Alterungszustands an dem aktuellen Betriebspunkt basierend auf dem Alterungszustandsmodell entspricht.
-
Basierend auf dem Simulationszustandsmodell werden nun für alle Betriebsmerkmalspunkte die Zustands-Unsicherheiten ermittelt. D. h, es werden für jeden Auswertungszeitraum für alle Energiespeicher, die in der Zentraleinheit berücksichtigt werden, Alterungszustände ermittelt und deren zugehörige Zustands-Unsicherheit.
-
Die Zustands-Unsicherheiten ergeben sich aus der Abfrage des Alterungszustandsmodells. Jedoch können einzelne Zustands-Unsicherheiten bei einzelnen Betriebsmerkmalspunkten mithilfe von Domänenwissen reduziert werden. Als Potenzial wie stark die Unsicherheit an dem relevanten Merkmalspunkt reduziert werden kann, kann beispielsweise die mittlere Unsicherheit des bisherigen Trainingsprozesses verwendet werden. Folglich wird das Domänen-Wissen zum Trainings-Prozess in das Simulationsmodell eingearbeitet. Weiterhin kann für jeden betrachteten Betriebsmerkmalspunkt eine fahrzeugindividuelle Reduzierung des entsprechenden Konfidenzintervalls (angegeben durch die Zustands-Unsicherheit) mithilfe von Domänenwissen vorgenommen werden. Dazu kann der zeitliche Verlauf des Alterungszustands (stets für die individuelle identifizierte Fahrzeugbatterie) um den zugehörigen Auswertungszeitraum analysiert werden, der dem jeweiligen Betriebsmerkmalspunkt der identifizierten Fahrzeugbatterie zugeordnet ist. Jeder Betriebsmerkmalspunkt ist einem Auswertungszeitraum zugeordnet, wobei in der Regel vor und nach dem Auswertungszeitraum weitere Betriebsmerkmalspunkte für die betreffende Fahrzeugbatterie vorliegen.
-
3 zeigt ein Beispiel für die Reduzierung eines Gesamtmaßes der Zustands-Unsicherheiten an weiteren Betriebsmerkmalspunkten bei einer Label-Generierung an einem bestimmten Betriebsmerkmalspunkt. 3 zeigt anhand von zeitlich nacheinander erfassten Betriebsmerkmalspunkten in verschiedenen Temperaturbereichen den modellierten m Alterungszustand mit entsprechendem Konfidenzintervall für zwei verschiedene Fahrzeuge F1, F2. Das verwendete Alterungszustandsmodell weist eine höhere Modellunsicherheit bei hohen Temperaturen auf, sodass das Konfidenzintervall entsprechend größer wird. Dies kann z.B. darin begründet sein, dass hohe Temperaturen bei 70°C noch nicht ausreichend in der Trainingsdatenbank repräsentiert sind.
-
Liegt für das Fahrzeug F1 zu einem bestimmten Zeitpunkt t unter einer bestimmten Bedingung kein Label vor, welches weder von Flottenfahrzeugen generiert wurde, noch aus Diagnosemessungen ermittelt wurde, so muss dieses im Betrieb bestimmt werden. Bei Fahrzeug F1 weist der modellierte Alterungszustand eine geringe Unsicherheit für 23°C auf und eine hohe Unsicherheit für 40°C auf. Wegen der hohen Unsicherheit zum Zeitpunkt t-1 ist nun ein großes Interesse an einem Label zum Zeitpunkt t vorhanden, um die Konfidenz im Modell bei t-1 zu minimieren.
-
Um nun den Effekt einer möglichen Label-Generierung des Fahrzeuges 1 zum Zeitpunkt t bzgl. der Relevanz und des Mehrwertes für die gesamte Fahrzeugflotte 3 zu bewerten, wird eine mögliche Kettenreaktion über Flottenfahrzeuge (Schwarmintelligenz) simuliert, wie beispielsweise bezüglich Fahrzeug F2 gezeigt ist. Hier wird ausgenutzt, dass eine langsam zeitvariante Zustandsgröße wie der Alterungszustand sich innerhalb eines kurzen Zeitraums nicht stark verändern kann. Es wird eine Auswirkung der Label-Generierung beim Fahrzeug F1 zum Zeitpunkt t simuliert. Die Auswirkung dieser Label-Generierung wird bei Fahrzeug F1 direkt sichtbar (1. Kettenreaktion, dargestellt durch Pfeil P1), da in diesem Fall auch die Unsicherheit zum Zeitpunkt t-1 bei 40°C minimiert werden kann, was zu einem erneuten Modellwert bei t-1 führen kann, speziell wenn mehrere Fahrzeuge in diesem Zustand analysiert werden können.
-
Unter der Prämisse, dass diese Label-Generierung nun auch bei 40°C erfolgreich ist, werden die reduzierte Unsicherheit des Modells bei 40°C und weitere Modellunsicherheiten minimiert, z.B. bei T = 70°C. Die Reduzierung der Zustands-Unsicherheiten ist durch die Pfeile P2 und P3 dargestellt.
-
In diesem Beispiel kann durch eine Label-Generierung des Fahrzeuges F1 zum Zeitpunkt t bei einem gewissen Feature (z.B. Temperatur 50°C), nicht nur das Label genau zu diesem Betriebsmerkmalspunkt bestimmt werden, sondern zusätzlich die Parameterlücken bei 40°C (Fahrzeug F1) und 70°C (Fahrzeug F2) geschlossen werden.
-
Durch eine globale Flottenanalyse kann so in Summe der Effekt einer möglichen Label-Generierung eines jeden Fahrzeuges (aktuellen Betriebsmerkmalspunkt) und somit jedes verfügbaren Parameter-Raums zum aktuellen Zeitpunkt im Hinblick auf den Mehrwert für die Fahrzeugflotte 3 vorausschauend quantifiziert bewertet werden. Die vorteilhafte Ausgestaltung dieser Erfindung erlaubt eine Maximierung der zu erwartenden Gesamtmaßes der Unsicherheit in Form eines Optimierungsproblems.
-
Insbesondere kann das Konfidenzintervall auf Alterungszustände eingeschränkt werden, die nicht größer sind als eine obere Grenze des Konfidenzintervalls eines zuvor bestimmten Alterungszustands und nicht niedriger als eine untere Grenze eines in einem späteren Auswertungszeitraum ermittelten Alterungszustands. Eine solche Einschränkung kann vorgenommen werden aufgrund des Domänenwissens, dass zeitliche Verläufe von Alterungszuständen sich nur streng monoton fallend entwickeln können. Somit werden die Konfidenzgrenzen des als unsicher definierten Alterungszustands so in Richtung des Modellierungswertes des Alterungszustands verschoben, dass sich ein verkleinertes Konfidenzintervall ergibt.
-
Andere aus Domänenwissen ableitbare Regeln zur Beschränkung der Konfidenzbereiche sind ebenfalls definierbar. So kann als mögliche weitere Regel ein stetiger und träger, bzw. stückweise nahezu linearer Verlauf eines Alterungszustands innerhalb eines begrenzten Zeitraums von wenigen, beispielsweise zwischen 3 und 10, Auswertungszeiträumen, angenommen werden. Eine solche Einschränkung kann vorgenommen werden, wenn z. B. aus dem Flottenlastprofil hervorgeht, dass das Lastprofil für das betrachtete Kraftfahrzeug im Hinblick auf den Energiedurchsatz, Temperaturbedingungen, Ladeverhalten, Fahrverhalten und dergleichen im betrachteten Zeitraum zwischen dem vorherigen Auswertungszeitraum bis zu dem nachfolgenden Auswertungszeitraum konstant war. So kann sich eine obere und untere Grenze eines begrenzten Konfidenzintervalls für den betreffenden Alterungszustand durch stückweise Interpolation der oberen Konfidenzgrenzen eines vorhergehenden und eines nachfolgenden Auswertungszeitraums und der unteren Konfidenzgrenzen des vorhergehenden und des nachfolgenden Auswertungszeitraums ergeben.
-
Auf diese Weise lassen sich die Konfidenzintervalle für die Alterungszustände der identifizierten Fahrzeugbatterie begrenzen.
-
Das Verbesserungsmaß kann als ein Gesamtmaß für alle ermittelten Zustands-Unsicherheiten angenommen werden. Beispielsweise wird das Verbesserungsmaß als die Summe aller mit einem der Simulationszustandsmodelle bestimmten Zustands-Unsicherheiten ermittelt.
-
Es werden in Schritt S5 ein oder mehrere der Energiespeicher (aktuelle Betriebsmerkmalspunkte) ausgewählt, für die sich ein maximales Verbesserungsmaß ergibt.
-
Auf diese Weise kann derjenige bzw. diejenigen Betriebsmerkmalspunkte identifiziert werden, die den bestmöglichen Effekt zur Reduzierung der Zustands-Unsicherheit auch für andere Betriebsmerkmalspunkte bewirkt. Somit nutzt die obige Vorgehensweise die Bestimmung der Betriebsmerkmalspunkte, für die ein Label generiert werden soll bzw. aus dem ein Trainingsdatensatz generiert werden soll, auch dazu, die Zustands-Unsicherheit für andere Betriebsgrößenpunkte zu reduzieren, sodass die Label-Relevanz für anderen Flottenteilnehmer maximiert wird
-
In Schritt S6 wird für den einen oder die mehreren ausgewählten Energiespeicher ein Verfahren zur Label-Generierung, nämlich zur Bestimmung des Alterungszustands durchgeführt. Damit kann ein oder mehrere Trainingsdatensätze generiert werden, um das Alterungszustandsmodell nachzutrainieren.
-
In einem nachfolgenden Schritt S7 wird basierend auf dem neuen Trainingsdatensatz das datenbasierte Alterungszustandsmodell nachtrainiert bzw. aktualisiert. Auch können zunächst mehrere so ermittelte Trainingsdatensätze bestimmt und/oder Trainingsdatensätze während einer bestimmten Zeitdauer gesammelt werden, bevor eine Aktualisierung stattfindet.
-
Das Ermitteln der entsprechenden Zustandsgröße kann durch ein statistisches Verfahren, insbesondere in Verbindung mit auf Domänenwissen basierenden Regeln zur Verringerung von Zustands-Unsicherheiten und mithilfe einer Clustering-Verfahrens und gemeinsamer Betrachtung von zu dem identifizierten Betriebsmerkmalspunkt ähnlichen Betriebsmerkmalspunkten durchgeführt werden.
-
Das Clustering-Verfahren ermittelt aus den Fahrzeugbatterien 41 diejenigen mit ähnlichen Betriebsmerkmalspunkten, insbesondere Betriebsmerkmalspunkte mit einem vorgegebenen euklidischen Abstand von einem Zentroid-Punkt, der nicht größer als ein vorgegebener Schwellenwert ist. Der Zentroid-Punkt entspricht einem künstlichen, nicht einem bestimmten Energiespeicher zugeordneten Betriebsmerkmalspunkt. Das Ziel der Flotten-Clusteranalyse ist es, Fahrzeugbatterien zu identifizieren, die sich in einem vergleichbaren Betriebsmerkmalsraum (Parameterraum) befinden. Als mögliche Unsupervised-Clustering-Verfahren können K-means++ oder Competitive-Learning verwendet werden.
-
In einem nachfolgenden Schritt S8 können die Modellparameter des aktualisierten Alterungszustandsmodells oder die durch das Modell ermittelten Zustände an die Fahrzeuge der Fahrzeugflotte 3 zurückübertragen werden, so dass das datenbasierte Alterungszustandsmodell im Kraftfahrzeug 4 zur Ermittlung des Alterungszustands SOH der Fahrzeugbatterie 41 verwendet werden kann. Dieser Schritt ist optional. Das Alterungszustandsmodell kann auch in der Zentraleinheit 2 betrieben und dort ausgeführt werden.
-
Alternativ kann das Ermitteln der entsprechenden Zustandsgröße durchgeführt werden, indem das dem mindestens einen ausgewählten Betriebsmerkmalspunkt zugeordnete Gerät aufgefordert wird, eine Vermessung der Zustandsgröße durchzuführen, wobei nach der Vermessung die gemessene Zustandsgröße verwendet wird, um den Trainingsdatensatz zu erstellen.
-
So kann ein Trainingsdatensatz auch dadurch ermittelt werden, dass ein Fahrzeug 4 über eine Diagnosemessung vermessen wird, um einen entsprechenden Trainingsdatensatz zu bestimmen. Hierzu kann Active Learning verwendet werden, das unter allen möglichen Energiespeichern diejenigen zum Durchführen einer Diagnosemessung auswählt, die den gewünschten Effekt auf die Reduzierung der Gesamtmodellunsicherheit im Betriebsmerkmalsraum bestmöglich schließt, speziell nach Schritt S5, wenn mehrere hoch-relevante Energiespeicher ausgewählt wurden. Das finale Auswählen der Fahrzeuge aus der Fahrzeugflotte im Hinblick auf ihre maximierte Label-Relevanz für die Flotte kann mit Hilfe eines Pool-based Sampling, Uncertainty Sampling, Variance Reduction oder Expected Error Reduction-Verfahren durchgeführt werden.
-
Das obige Verfahren ermöglicht das Trainieren und Verbessern eines Zustandsmodells, das im laufenden Betrieb die Modellierungsunsicherheiten an einer Vielzahl von Betriebsmerkmalspunkten verbessert.
